Arquitectura Serverless: Me olvido de tener que configurar servidores. Me olvido de tener que administrar la infraestructura de servidores. ME ENFOCO en los DATOS. Tener la capacidad de darle sentido a la información, procesarla, entenderla y leerla para obtener datos estratégico
Compute on Google Cloud Platform
Introducción al curso de Google Cloud for Developer Community
Lectura: introducción de instalación
Tutorial de Qwiklabs
Cómputo en la nube de Google
Opciones de cómputo en la nube
Máquinas virtuales a profundidad
Tutorial para instalar Qwiklabs
Demo: máquinas virtuales a profundidad
Cómputo sin administración con plataformas como servicio
Demo: cómputo sin administración
Lectura: ¿qué son los contenedores?
Cómputo contenerizado con App Engine Flex
Cómputo contenerizado con Cloud Run
Funciones serverless
Continuous Integration, Continuous Delivery
CI/CD en Google Cloud Platform
Estrategias de Despliegue
Repositorios de código
Construcción y despliegue de artefactos
Infraestructura como código
Despliegue en Servicios Serverless
Google Kubernetes Engine
Kubernetes Overview
Demo Kubernetes
Planeación de tu despliegue
Anthos
Cloud Run for Anthos
Demo Cloud Run for Anthos
Anthos Service Mesh
Site Reliability Engineering con Anthos
Streaming Data Analytics
Integración de datos e ingesta de datos totalmente administrada sobre GCP
Demo: ingesta de datos
Ingesta de datos confiable en streaming sobre GCP
Demo: ingesta de datos confiable
Demo: configuración de Apache Kafka
Visualización de mensajes de una base de datos relacional en Google Cloud
Data Warehouse: el modelo tradicional para construir un repositorio de datos empresarial
Data Lakehouse: el nuevo y moderno enfoque para construir un repositorio de datos empresarial
El portafolio de gestión de datos en Google Cloud
Desglose del portafolio de gestión de datos (Bases de datos) en Google Cloud
Gobierno de datos de punta a punta para garantizar la seguridad en tu Data Lake
Gobierno de datos: calidad y monitoreo
Machine Learning
¿Qué es ML y AI?
Plataforma de AI en GCP
Auto ML con datos estructurados
Demo Auto ML con datos estructurados
Predicción de tarifas usando AI notebooks
Demo predicción de tarifas usando AI notebooks
TensorFlow Extended
Sesiones en vivo
Sesión en vivo con Pablo Pérez Villanueva
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónAportes 4
Preguntas 0
Ordenar por:
Como se generan estos datos?
- Dispositivos digitales
- Comercio electrónico
- Comunicaciones
- Consumos de medios digitales
Casos de uso clave:
- Ingesta de eventos de usuario
- Almacenamiento de datos y CDC (Change Data Capture)
- Enriquecimiento de eventos y ML.
Data driven vs Event driven:
Data driven: No actúa sobre los datos en real time, mayor planificación.
- Humanos involucrados
- Ideas a largo plazo
- Determinar estrategia de producto
- Determinar segmentación de cliente
- Informar campañas de marketing
Event driven: Los datos le dicen a la empresa que hacer.
- Procesos automatizados
- Responsivo en tiempo real
- Impulsa interacciones instantáneas
- Determina el producto
- Seleccionar campañas de marketing
Productos para la ingesta de datos confiables:
Pub/Sub:
- Mensajería dirigida por eventos para la ingesta de datos
- Es un producto global, no se especifica una localidad
- Procesa hasta 100GB por segundo
Dataflow:
- Secuencia simplificada y procesamiento de datos por lotes
- Es open source
- Garantiza la entrega del mensaje
BigQuery:
- Almacén de datos en la nube
- Se puede aplicar analítica a los datos con AI
Casos de uso de ingesta de datos:
Eventos del usuario: Interacciones del usuario en la plataforma (clics y otros)
Almacenamiento y Change Data Capture CDC: Registro de como cambian los datos para accionar eventos.
Enriquecimiento con ML - IA: Añadir información por analisis de voz o visión de máquina con las APIs de Google
ML, ingesta de datos de fuentes externas
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.